2021年最全的Python爬虫学习笔记（上）

一、爬虫基础简介

1. 爬虫简介

什么是爬虫：通过编写程序，模拟浏览器上网，然后让其去互联网上抓取数据的过程

 

2. 爬虫合法性探究

爬虫究竟是合法还是违法的？

• 在法律中是不被禁止的
• 具有违法风险
• 善意爬虫 & 恶意爬虫

爬虫带来的风险可以体现在如下两个方面：

 

1. 爬虫干扰了被访问网站的正常运营
2. 爬虫抓取了受到法律保护的特定类型的数据或信息

如何在编写使用的过程中避免进入局子的厄运？

• 时常优化自己的程序，避免干扰被访问网站的正常运行
• 在使用，传播爬取到的数据时，审查抓取到的内容，如果发现了涉及到用户隐私或者商业机密等敏感内容，需要及时停止爬取或者传播。

3. 爬虫初试深入

爬虫在使用场景中的分类：

• 通用爬虫：抓取系统的重要组成部分。抓取的是一整张页面数据。
• 聚焦爬虫：是建立在通用爬虫的基础之上。抓取的是页面中特定的局部内容。
• 增量式爬虫：监测网站中数据更新的情况。只会抓取网站中最新更新出来的数据。

爬虫的矛与盾：

• 反爬机制：门户网站，可以通过制定相应的策略或者技术手段，防止爬虫程序进行网站数据的爬取。
• 反反爬策略：爬虫程序，可以通过制定相关的策略或者技术手段，破解门户网站中具备的反爬机制，从而可以获取门户网站中相关的数据。

robots.txt协议：君子协议。规定了网站中那些数据可以被爬虫爬取，那些数据不允许被爬取。

4. http&https协议

（1）http协议

概念：就是服务器和客户端进行数据交互的一种形式。

常用请求头信息：

• User-Agent：请求载体的身份标识
• Connection：请求完毕后，是断开连接还是保持连接

常用响应头信息：

• Content-Type：服务器响应回客户端的数据类型

（2）https协议

概念：安全的超文本传输协议

（3）加密方式

• 对称秘钥加密

非对称秘钥加密

存在缺点：第一个是如何保证接收端向发送端发出公开秘钥的时候，发送端确保收到的是预先要发送的，而不会被挟持，只要是发送秘钥，就有可能有被挟持的风险；第二个是非对称秘钥加密方式效率比较低，处理起来更为复杂，通信过程中使用就有一定的效率问题而影响通信速度。

证书秘钥加密：

• 服务器的开发者携带公开密钥，向数字证书认证机构提出公开密钥的申请，数字证书认证机构在认清申请者的身份审核通过以后，会对开发者申请的公开密钥做数字签名，然后分配这个已签名的公开密钥，并将密钥放在证书里面，绑定在一起；
• 服务器将这份数字证书发送给客户端，因为客户端也认可证书机构，客户端可以通过数字证书中的数字签名来验证公钥的真伪，来确保服务器传过来的公开密钥是真实的。一般情况下，证书的数字签名是很难被伪造的，这取决于认证机构的公信力。一旦确认信息无误之后，客户端就会通过公钥对报文进行加密发送，服务器接收到以后用自己的私钥进行解密。

二、requests模块基础

1. requests第一血

requests模块：Python中原生的一款基于网络请求的模块，功能非常强大，简单便捷，效率极高。

作用：模拟浏览器发请求。

如何使用：（requests模块的编码流程）

• 指定 url
• 发起请求
• 获取响应数据
• 持久化存储

环境的安装：pip install requests

实战编码：

• 需求：爬取搜狗首页的数据

import requests
if __name__ == '__main__':
    #step1 指定url
    url = 'https://www.sogou.com/'
    #step2 发起请求
    #get方法会返回一个响应对象
    response = requests.get(url = url)
    #step3 获取响应数据，text返回的是字符串形式的响应数据
    page_text = response.text
    print(page_text)
    #step4 持久化存储
    with open('./sogou.html','w',encoding = 'utf-8') as fp:
        fp.write(page_text)
    print('爬取数据结束！')

2. requests巩固深入案例介绍

（1）简易网页采集器

• UA检测
• UA伪装

#UA：User-Agent请求载体的身份标识
'''UA检测：门户网站的服务器会监测对应请求的载体身份标识，
如果检测到请求载体身份标识是某一款浏览器,说明该请求时一个正常的请求；
但是，如果检测到请求的载体身份不是基于某一款浏览器的，则表示该请求为不正常请求（爬虫）,
则服务器很有可能拒绝该次请求'''

#UA伪装：让爬虫对应的请求载体身份标识伪装成某一款浏览器，躲过UA检测
import requests
if __name__ == '__main__':
    #UA伪装：将对应的User-Agent封装到一个字典中
    headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
    }
    #step1 指定url query
    url = 'https://www.sogou.com/web'
    #处理url携带的参数 封装到字典中
    kw = input('Enter a word:')
    param ={
        'query':kw
    }
    #step2 对指定的url发起请求，对应的url是携带参数的，并且处理过程中处理了参数
    response = requests.get(url = url,params = param,headers = headers)
    #step3
    page_text = response.text
    #step4
    fileName = kw + '.html'
    with open(fileName,'w',encoding ='utf-8') as fp:
        fp.write(page_text)
    print(fileName,'保存成功！！')

（2）破解百度翻译

• post请求（携带了参数）
• 响应数据是一组json数据

import requests
import json
if __name__ == '__main__':
    #step1 指定URL
    post_url = 'https://fanyi.baidu.com/sug'

    #step2 进行UA伪装
    headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'
    }

    #step3 post请求参数处理（同get请求类似）
    word = input('Enter a word:\n')
    data = {
        'kw':word
    }

    #step4 请求发送
    response = requests.post(url = post_url,data = data,headers = headers)

    #step5 获取响应数据:json()方法返回的是obj  (如果确认响应数据是json类型-->通过Content-Type分辨，才可以直接用json方法)
    dict_obj = response.json()
    print(dict_obj)

    #step6 持久化存储
    fileName = word + '.json'
    fp = open(fileName,'w',encoding='utf-8')
    json.dump(dict_obj,fp = fp,ensure_ascii = False)

    print('Over!')

（3）豆瓣电影

import requests
import json
if __name__ == '__main__':
    url &#